محققان در یک دستاورد تازه، فریمورک جدیدی به نام «SwinAD» را برای شناسایی ناهنجاریها و نقصهای تولیدی در محیطهای صنعتی معرفی کردهاند.
این مدل با استفاده از معماری Swin Transformer V2 و یک استراتژی بازسازی ویژگیهای چندگانه، میتواند در محیطهای «چند-کلاسه» (که تنوع الگوهای عادی بسیار زیاد است)، دقت شناسایی نقصها را به طرز چشمگیری افزایش دهد. برخلاف روشهای قدیمی، SwinAD به جای تکیه بر یک بازسازی ساده، از فرضیات متنوع برای تشخیص دقیقتر خطاها استفاده میکند که نتیجه آن عملکرد فوقالعاده در بنچمارکهای مهمی مثل MVTec AD بوده است.
این گام بزرگی برای خودکارسازی دقیقتر خطوط تولید و کاهش خطاهای انسانی است.
منبع: arXiv Computer Vision